基于融合模糊聚类算法的异常心电多频段弱信号快速捕捉方法

戴世杰，李哲明

（1.浙江鹰旸医药研发有限公司，浙江 杭州 310000；2.杭州鹰旸生物科技有限公司，浙江 杭州 310000）

0 引 言

心电图是诊断各种心脏疾病的重要工具，可以为病情的诊断提供可靠的依据。在心电图中，机械故障会导致心电多频段信号变弱或者出现异常的情况，将这些信号捕捉可以提高心脏疾病的诊断质量。目前，我国患有心脏疾病的人数剧增，而从事心电信号研究方面的专家却越来越少，无法满足心脏病患者的医疗需求。由于医生利用人工的方式诊断心电图的速度相对比较慢，延长了患者的治疗时间。因此，异常心电多频段弱信号的捕捉就显得非常关键。随着心脏疾病的患者人数增加和医疗专家的紧缺，大多数医务人员都利用计算机技术为患者提供服务。最近几年，心电信号处理的智能化一直都是学术界的新课题，计算机技术对异常心电多频段弱信号的捕捉可以减轻医务人员的压力，提高疾病诊断的工作效率。

在国内的研究中，文献[4]针对识别复杂心电信号过程中存在的问题，通过分析深度卷积神经网络的结构层次，提出了一种心电信号识别方法，将心电信号输入到深度卷积神经网络的卷积层，转换成灰度图像，从不同维度构建深度卷积神经网络，提取出心电信号的数值特征和波形特征，在引入迁移学习策略的基础上，对深度卷积神经网络的全连接层进行训练，根据融合后的心电信号特征，使用Softmax分类心电信号进行识别，但是识别性能较低；文献[5]以提高心电信号的识别精度为目的，将决策树和视频特征融合算法结合在一起，利用周期理论分割心电信号，根据小波信号的分解技术，将变换系数作为心电信号识别的频域特征，并融合到时域特征中，结合决策树的构建，划分心电信号的特征，虽然该方法在识别心电信号时的准确率可以达到99%以上，但是识别性能较差。

基于以上研究背景，本文利用融合模糊聚类算法设计一种异常心电多频段弱信号快速捕捉方法，从而提高异常心电多频段弱信号的捕捉能力。

1 异常心电多频段弱信号快速捕捉方法设计

1.1 检测异常心电多频段弱信号

为了获取异常心电多频段弱信号的肌电干扰分量、电极干扰噪声的高频分量，去除原始异常心电多频段弱信号的变化幅度，利用归一化处理方法，得到归一化残差信号，即：

式中：()表示原始异常心电多频段弱信号；()表示变化幅度。

采用微分方程，从归一化残差信号()中提取出电极干扰噪声的高频分量，表示为：

微分方程中微分算子会对异常心电多频段弱信号的局部波形产生影响，利用电极干扰噪声的高频分量捕获异常心电多频段弱信号特征分量。

将提取到的电极干扰噪声高频分量()分割成重叠块，经过信号移位之后，计算出零交叉包络数的数量，那么电极干扰噪声高频分量的重叠阻塞可以表示为：

式中表示重叠阻塞窗口的大小。

为了检测出异常心电多频段弱信号，在高于阈值的信号波形区域内计算出零交叉的数量，将阈值设置为λ，那么零交叉的数量满足如下关系：

式中，ZC表示第个波形区域的零交叉数量，计算公式为：

根据正常人心电信号的最小幅度，选择阈值λ的大小，如果在检测异常心电多频段弱信号时没有其他噪声的干扰，信号波形区域内的信号噪声就会贡献给零交叉数量；接着利用信号宽度持续时间检测异常心电多频段弱信号的存在，检测结果为：

式中：A()表示异常心电多频段弱信号在第个重叠块的特征；A(+)表示异常心电多频段弱信号在第+个重叠块的特征，表示自相关滞后系数；表示信号数量。

利用归一化处理方法，去除原始异常心电多频段弱信号的变化幅度，采用微分方程提取出电极干扰噪声的高频分量，根据电极干扰噪声高频分量的重叠阻塞，检测出异常心电多频段弱信号。

1.2 异常心电多频段弱信号去噪处理

基于检测到的异常心电多频段弱信号会含有不同类型的噪声，假设将含有噪声的异常心电多频段弱信号定义为()，表达式为：

式中：()表示异常心电多频段弱信号的有效部分；()表示异常心电多频段弱信号中的噪声干扰。

去除异常心电多频段弱信号的噪声干扰就是抑制信号中的噪声部分()，还可以增强处理异常心电多频段弱信号中可以为信号特征提取做贡献的部分()。

为了获取到有用的异常心电多频段弱信号，需要先在不同尺度上分解异常心电多频段弱信号，理论上可以选择无限大的尺寸，但是在实际处理中，根据异常心电多频段弱信号的特点，选择尺度为10时信号的去噪效果最好。异常心电多频段弱信号去噪处理的具体过程如下：

Step1：根据异常心电多频段弱信号具有的形态特征，结合信号的时频域特征，选取合适的小波基函数，分解个层次的信号。

由于小波基函数的种类较多，去除信号的噪声需要选择合适的小波基函数，考虑到小波基函数的选取原则，在信号的去噪处理中，尽量避免对信号去噪效果的影响，因此本文选择连续小波基函数分解并重构异常心电多频段弱信号。

Step2：连续小波变换。

异常心电多频段弱信号()经过连续的小波变换，得到：

式中：()表示连续小波特征；表示小波基函数的尺度因子；表示平移因子；(·)表示小波函数；表示时间。

Step3：重构异常心电多频段弱信号。

经过小波处理之后，异常心电多频段弱信号被分解成如下形式：

式中：D表示第层分解得到异常心电多频段弱信号的高频信息；A表示第层分解得到异常心电多频段弱信号的低频信息。

根据异常心电多频段弱信号分解得到的第层高频系数和低频系数，对异常心电多频段弱信号进行重构，完成异常心电多频段弱信号的去噪处理。

1.3 设计异常心电多频段弱信号捕捉算法

在设计异常心电多频段弱信号捕捉算法时，利用融合模糊聚类算法对输入的异常心电多频段弱信号进行聚类，结合平均采样处理聚类后的信号，通过差分相关算法将异常心电多频段弱信号捕捉过程中的损耗去除，实现异常心电多频段弱信号的捕捉。

异常心电多频段弱信号捕捉算法的实验过程如下：

Step1：利用心电图中的频域信号与时域相乘，得到异常心电多频段弱信号()=+，以一个心电信号的波长为周期，利用融合模糊聚类算法对()进行聚类处理，将其转换成周期型聚类信号。

将异常心电多频段弱信号的生成时间定义为，心电信号在一个波长内的采样值为，对所有异常心电多频段弱信号采样点生成点序列。

Step2：循环计算聚类后的异常心电多频段弱信号和时频域信号，得到：

式中：表示信号的扰动因子；S表示融合模糊聚类算法的输出值；͂表示异常心电多频段弱信号序列的原始时间点；th表示心电信号生成通道噪声；表示采样点数量。

根据公式（10）的计算，得到的计算表达式，即：

式中：γ表示异常心电多频段弱信号的聚类输出值；γ表示异常心电多频段弱信号的聚类输入值；v表示聚类系数。

Step3：对于后期输入的异常心电多频段弱信号，重复操作Step1和Step2，将累计计算的结果利用融合模糊聚类算法再一次进行聚类处理，得到聚类结果：

Step4：如果聚类结果中的最大峰值比阈值大，就说明异常心电多频段弱信号捕捉成功，否则就需要重新搜索。

在捕捉异常心电多频段弱信号的过程中，利用融合模糊聚类算法，设置一个捕捉步长Δλ，构建异常心电多频段弱信号的二次曲线模型，即：

式中：λ表示异常心电多频段弱信号的聚类值；，和表示聚类系数。

根据异常心电多频段弱信号的二次曲线特征，得到异常心电多频段弱信号的频移，即：

将Step4中成功捕捉到的异常心电多频段弱信号与频移叠加，实现异常心电多频段弱信号的快速捕捉，即：

综上所述，完成了异常心电多频段弱信号捕捉算法的设计，实现了异常心电多频段弱信号的快速捕捉。

2 仿真实验分析

2.1 实验数据

为了验证文中方法在异常心电多频段弱信号捕捉中的性能，进行仿真实验分析。实验所用到的数据来自某医院数据库中心律失常患者的心电数据。实验过程中，为了模拟真实状态下患者的异常心电多频段弱信号，将不同特征的噪声干扰信号聚类到异常心电多频段弱信号中。该数据中通常会包括各种噪声干扰信号，并映射到异常心电多频段弱信号中，避免对实验数据产生影响。

2.2 设置仿真参数

基于2.1节的实验数据来源，设置了如表1所示的仿真参数。

表1 仿真参数

2.3 设置实验指标

在表1仿真参数的支撑下，利用准确率、灵敏度和特异性三个指标衡量异常心电多频段弱信号的捕捉性能，计算公式如下：

式中：TP表示异常心电多频段弱信号正样本被认定为正样本的个数；TN表示异常心电多频段弱信号负样本被认定为负样本的个数；FN表示异常心电多频段弱信号正样本被认定为负样本的个数；FP表示异常心电多频段弱信号负样本被认定为正样本的个数。

2.4 结果分析

为了充分证明基于融合模糊聚类算法的异常心电多频段弱信号快速捕捉方法在捕捉任务中的性能，选择9 000个信号样本作为训练数据，1 000个信号样本作为测试数据，引入基于多通道卷积的捕捉方法和基于动态模糊决策树的捕捉方法作对比，结果如下。

三种方法在异常心电多频段弱信号捕捉准确率方面的测试结果如图1所示。

图1 异常心电多频段弱信号捕捉准确率测试结果

图1的结果显示，与基于多通道卷积的捕捉方法和基于动态模糊决策树的捕捉方法相比，基于融合模糊聚类算法的捕捉方法在捕捉异常心电多频段弱信号时的准确率更高，随着异常心电多频段弱信号样本数量的增加，捕捉准确率呈现下降趋势，但是仍然高于90%。

三种方法在异常心电多频段弱信号捕捉灵敏度方面的测试结果如图2所示。

图2 异常心电多频段弱信号捕捉灵敏度测试结果

由图2的结果可知，本文方法在异常心电多频段弱信号捕捉灵敏度方面可以达到80%以上，而其他两种方法的捕捉灵敏度均低于60%，说明本文方法在信号捕捉灵敏度上具有更大优势。

三种方法在异常心电多频段弱信号捕捉特异性方面的测试结果如图3所示。

从图3的结果得出，基于多通道卷积的捕捉方法和基于动态模糊决策树的捕捉方法在捕捉异常心电多频段弱信号时的特异性在50%以下，而本文方法在捕捉异常心电多频段弱信号时的特异性更高，可以达到77.8%以上，具有更好的捕捉性能。

图3 异常心电多频段弱信号捕捉特异性测试结果

3 结 语

本文提出一种基于融合模糊聚类算法的异常心电多频段弱信号快速捕捉方法。经测试发现，该方法在信号捕捉准确率、灵敏度和特异性方面具有更好的性能。但是本文的方法还存在很多不足，在今后的研究中，希望可以继续改进信号捕捉算法，丰富实验内容，提高信号捕捉能力。